Når KI kommer inn på sykehuset: Hva endres for leger og pasienter

I min forrige spalte så jeg på medisinsk KI fra et forretningsperspektiv, med vekt på mulighetene teknologien skaper for teknologiselskaper. Men utover potensialet for innovasjon og nye markeder finnes det et mer grunnleggende spørsmål: Hvilken forskjell vil denne teknologien gjøre for legene som bruker den, og pasientene som er avhengige av dem? Tross alt ligger den egentlige verdien av medisinsk innovasjon i evnen til å forbedre kvaliteten på og tilgangen til helsetjenester. Og jeg ser allerede bemerkelsesverdige endringer i hvordan helsehjelp kan tilbys.

Hvordan personellmangel fremskynder automatiseringen i helsevesenet

Jeg kjenner en gründer som driver et selskap som tilbyr vikarer til sykehus, blant annet sykepleiere som trår til når fast ansatte ikke er tilgjengelige. Man skulle tro at en slik virksomhet ville blomstre når mangelen på helsepersonell vedvarer. Men han sier at selv selskaper som spesialiserer seg på å skaffe helsepersonell, sliter med å finne nok kvalifiserte folk.

Sykehus har slitt med mangel på leger og sykepleiere i flere tiår. Det krever betydelig tid og ressurser å utdanne nytt helsepersonell. Medisinsk utdanning, særlig i USA, kan være for dyr, og mange år med studier og klinisk opplæring medfører økonomisk og psykisk press. Selv etter endt utdanning opplever leger mye stress, stort ansvar og konstante tidsbegrensninger.

Derfor har leger noen ganger bare noen få minutter til rådighet med hver pasient for å gå gjennom symptomer, vurdere mulige diagnoser, bestille prøver og fylle ut nødvendig dokumentasjon. Denne arbeidsbelastningen øker risikoen for feil og gir mindre tid til meningsfull kontakt med pasientene. Det er dessuten lite sannsynlig at problemet løses ved å ansette flere alene.

Derfor mener jeg at vedvarende personellmangel og økende arbeidsbelastning vil være blant de viktigste drivkreftene bak økt bruk av KI på sykehus.

Hva kan leger overlate til KI?

En av de mest praktiske bruksområdene er KI-drevne systemer som tar opp samtaler mellom leger og pasienter, oppsummerer konsultasjoner og bidrar til å utarbeide klinisk dokumentasjon. I stedet for å bruke tid på å skrive notater manuelt får legene et utkast som de kan gå gjennom og redigere etter behov.

Fordelene med disse verktøyene blir allerede tydelige i klinisk praksis. En studie publisert i JAMA i april 2026 undersøkte data fra over 8 500 helsearbeidere ved fem medisinske sentre i USA. Blant klinikerne som tok i bruk KI-drevne dokumentasjonsverktøy, gikk tiden brukt på kliniske notater i gjennomsnitt ned med 10 %, tilsvarende omtrent 16 minutter per åttetimersperiode med planlagte pasientbesøk.

Et annet eksempel er KI-assistert differensialdiagnostikk. Se for deg en pasient som oppsøker lege med magesmerter og en prikkende følelse på venstre side. Et KI-system kan analysere symptomene og foreslå flere mulige årsaker som bør undersøkes. Systemet stiller ikke den endelige diagnosen, men kan hjelpe legen med å lage en liste over muligheter, finne ut hvilke oppfølgingsspørsmål som bør stilles, og vurdere hvilke prøver som kan være nødvendige. Jeg har allerede støtt på slike verktøy i praksis, og jeg tror de vil bli en fast del av legekonsultasjoner. Men de vekker også en berettiget bekymring: Kan avhengighet av KI-genererte forslag gradvis svekke legenes evne til å resonnere selvstendig? Når et system kommer med ferdige svar, er det fristende å stole på konklusjonene, særlig når det allerede er så lite tid til hver pasient.

Det finnes imidlertid også en annen side ved dette. Uansett hvor erfaren en lege er, formes kunnskapen uunngåelig av pasientene legen har behandlet, opplæringen legen har fått, og forskningen legen har hatt tid til å sette seg inn i. KI-modeller kan derimot potensielt oppdage mønstre i langt større mengder medisinske data, også i tilfeller den enkelte lege kanskje aldri har møtt.

KI som deltaker i medisinsk forskning

Et annet område det er verdt å utforske, er komplekse kliniske tilfeller der selv erfarne spesialister strever med å bli enige. I dag tas slike tilfeller ofte opp i kliniske kasusmøter, der leger går gjennom prøveresultater, diskuterer mulige diagnoser og blir enige om de neste stegene i behandlingen. Jeg tror ikke KI vil erstatte disse diskusjonene, men jeg kan se for meg at KI blir en deltaker til.

Dette kan gjøres på flere måter. Flere modeller kan analysere det samme kliniske tilfellet uavhengig av hverandre, slik at legene kan sammenligne funnene og se hvor de er enige eller uenige. Alternativt kan én enkelt modell undersøke tilfellet flere ganger med ulike analytiske tilnærminger, før resultatene samles og gjennomgås.

At KI-modeller er enige, betyr selvfølgelig ikke nødvendigvis at de har kommet fram til riktig konklusjon. Modellene kan ha de samme begrensningene, bygge på lignende treningsdata og gjøre de samme feilene. Likevel kan disse ekstra perspektivene bidra til å avdekke motstridende opplysninger, flagge sjeldne tilstander eller foreslå muligheter legene ikke først hadde tenkt på.

For at KI skal kunne bidra meningsfullt i slike diskusjoner, må den imidlertid ta hensyn til mer enn enkeltstående testresultater. I arbeidet vårt hos Keymakr har jeg selv sett hvor viktig denne bredere kliniske konteksten er. I et prosjekt med ultralydbilder arbeidet vi med skanninger av de samme pasientene tatt på ulike tidspunkter, noen ganger flere ganger om dagen og igjen flere måneder senere. Teamet merket av anatomiske strukturer og flagget mulige avvik for spesialistvurdering, samtidig som det tok hensyn til endringer gjennom pasientens undersøkelseshistorikk.

Små uoverensstemmelser i enkeltjournaler kunne påvirke tolkningen av tilknyttede data gjennom hele datasettet. Denne erfaringen understreket hvor viktig det er å se pasientens sykehistorie som en helhet – noe som også ville være avgjørende for KI-systemer som støtter komplekse kliniske beslutninger.

MR uten MR-skanner

Å stille en diagnose handler imidlertid ikke bare om å tolke medisinske data riktig. Det handler også om å kunne innhente dataene i utgangspunktet. Et av de mest interessante KI-prosjektene jeg har kommet over, ble presentert på et arrangement anbefalt av Scryon og tar nettopp for seg denne utfordringen. Et utviklerteam har funnet en måte å bruke CT-bilder og flere røntgenbilder tatt fra bestemte vinkler til å rekonstruere et MR-lignende bilde ved hjelp av kunstig intelligens. Ideen oppsto som svar på et svært praktisk problem: MR-skannere er dyre, og pasienter må noen ganger vente i flere måneder på en undersøkelse, mens røntgenapparater og CT-skannere er langt mer tilgjengelige.

Foreløpig er teknologien rettet mot kneet, men utviklerne vurderer å utvide den til andre ledd. Ifølge teamet skal de rekonstruerte bildene gi informasjon som kan sammenlignes med MR-bilder, selv om bildeteknikkene bygger på ulike fysiske prinsipper.

I stedet for å utvikle enda et kostbart medisinsk apparat bruker teamet eksisterende bildeteknologi og utvider mulighetene med KI-basert bilderekonstruksjon.

En operasjonsstue uten grenser

Jeg forventer at KI vil spille en rolle i minst halvparten av alle medisinske prosesser i en eller annen form i løpet av det neste tiåret. Jeg sikter til et bredt spekter av bruksområder, fra analyse av medisinske data og diagnostisk støtte til sanntidsveiledning fra KI under kirurgiske inngrep.

På lengre sikt kan disse teknologiene også bidra til å overvinne økonomiske, organisatoriske og til og med geografiske hindringer for helsehjelp. Se for deg at en erfaren kirurg i USA bistår under en operasjon på et barn i India, eller at en spesialist i India hjelper til med å behandle en pasient i Canada, uten å være fysisk til stede på operasjonsstuen. Fremskritt innen robotikk, fjernstyringssystemer og KI-assistert kirurgi kan gjøre slike scenarioer mulige.

Vi ser allerede de første stegene i denne retningen. For eksempel gjør plattformen Proximie det mulig for kirurger å koble seg til operasjonsstuer på avstand, følge inngrep i sanntid og samarbeide med medisinske team på stedet. Systemet støtter direktesendt video, talekommunikasjon og visuelle merknader, og bruker KI til å analysere data om arbeidsflyten under kirurgiske inngrep. Det betyr ikke at kirurger allerede kan utføre alle typer operasjoner på avstand, men det gjør det mulig for spesialister å dele ekspertisen sin og gi veiledning uten å være i samme operasjonsstue.

Jeg mener at bedre tilgang til helsehjelp bør være et av hovedmålene for medisinsk KI. Det avgjørende er om disse teknologiene kan bidra til kortere ventetid på diagnostiske undersøkelser, redusere helsepersonells arbeidsbelastning og gi leger mer tid sammen med pasientene. Til syvende og sist ville jeg måle hvor vellykket medisinsk KI er, ut fra hvor mange flere mennesker som får rask tilgang til helsehjelp av høy kvalitet takket være teknologien.